Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
План на курса
Въведение
- Изкуствени невронни мрежи срещу алгоритми, базирани на дърво на решенията
Преглед на функциите на XGBoost
- Елементи на алгоритъм за градиентно усилване Фокус върху изчислителната скорост и производителност на модела XGBoost срещу логистична регресия, Random Forest и стандартно градиентно усилване
Еволюцията на дървовидните алгоритми
- Дървета на решенията, пакетиране, Random Forest, усилване, градиентно усилване Оптимизация на системата Алгоритмични подобрения
Подготовка на околната среда
- Инсталиране на SciPy и scikit-learn
Създаване на XGBoost модел
- Изтегляне на набор от данни Решаване на често срещан проблем с класификацията Обучение на модела XGBoost за класификация Решаване на обща задача за регресия
Мониторинг на ефективността
- Оценяване и отчитане на ефективността Ранно спиране
Изчертаване на функции по важност
- Изчисляване на важността на характеристиките Решаване кои входни променливи да се запазят или отхвърлят
Конфигуриране на градиентно усилване
- Преглед на кривите на обучение за набори от данни за обучение и валидиране Регулиране на скоростта на обучение Регулиране на броя на дърветата
Хиперпараметрична настройка
- Подобряване на производителността на XGBoost модел Проектиране на контролиран експеримент за настройка на хиперпараметри Searchкомбинации от параметри
Създаване на тръбопровод
- Включване на XGBoost модел в тръбопровод за машинно обучение от край до край Настройка на хиперпараметри в конвейера Разширени техники за предварителна обработка
Отстраняване на неизправности
Обобщение и заключение
Изисквания
- Опит в писането на модели за машинно обучение
Публика
- Учени по данни
- Инженери за машинно обучение
14 Hours